20260623-东吴证券-金工专题报告_深度学习系列之四_从人工写因子到AI写因子_LLM-MCTS驱动的可解释因子迭代框架_39页_2mb

金工专题报告总结：LLM-MCTS 驱动的可解释因子迭代框架

核心内容

本报告围绕“人工写因子”向“AI挖因子”的范式升级，提出一种基于 LLM-MCTS 的可解释因子迭代框架，用于在金融领域中构建和优化因子。该框架结合了 MCTS 的搜索控制能力和 LLM 的语义生成与逻辑审查能力，构建了一个闭环系统，涵盖候选生成、周度 RankIC/IR 评测、样本内选择、样本外检验和经验库沉淀，从而实现因子的持续迭代与优化。

主要观点

• 传统因子研究的瓶颈：人工构建因子效率低、依赖经验；深度学习因子质量高但缺乏解释性；自动公式搜索技术搜索效率和表达式质量难以兼顾。
• LLM 写因子的优势与局限：LLM 能够生成具有金融逻辑的因子，但缺乏系统性的搜索机制和反馈闭环，容易陷入已有知识和常见模式。
• LLM-MCTS 框架的优势：
  • 通过 MCTS 管理搜索预算，避免过早收敛。
  • LLM 负责候选生成和逻辑审查，提升因子的可解释性。
  • 通过 reward 和 UCT 机制，实现因子搜索的动态优化和多维评估。
  • 通过 virtual expansion 机制，控制搜索树的扩展方向，兼顾探索与利用。

关键信息

1. 日频 Seed 改造实验

• 以 29 个低频价量因子为 Seed，进行 MCTS 搜索。
• 结果：
  • 25/29 个 Seed 至少搜索到过样本外优于原始 Seed 的候选。
  • 该框架能围绕波动、反转、成交确认、区间状态等逻辑提出增量结构。
  • 样本内优化因子：173 个因子优于原始 Seed，其中 143 个同时实现样本内和样本外优于原始 Seed。
  • 双优候选占比：82.7%。
  • 双优候选去重：123 个公式，沉淀 58 个可复用经验或工具。
  • 稳定性分析：双优候选之间全局绝对相关性整体偏低，均值为 0.2604，中位数为 0.2148，90% 分位数为 0.5529；相关性大于 0.8 的比例仅 1.88%，大于 0.9 的比例仅 0.71%，说明因子多样性良好。

2. 高频因子挖掘

• 基于 LLM-MCTS 框架，对高频分钟行为进行因子挖掘。
• 优秀因子示例：
  • “高量脉冲次数”因子表现突出，样本内/样本外 RankIC 分别为 0.0839/0.0744，样本内/样本外 ICIR 分别为 1.140/0.770，RankIC 保留率为 0.89。
  • “成交量高脉冲收益波动”、“成交额加权实现波动”、“尾盘相对开盘振幅”等因子样本外 RankIC 达到 0.0627 至 0.0647。
• 框架扩展性：LLM-MCTS 可从日频公式扩展至分钟级交易行为机制。

3. LLM-MCTS 框架流程

• 搜索流程：选择、扩展、评测、回传。
• LLM 职责：
  • 生成候选公式。
  • 提供金融逻辑假说、预期方向、适用市场状态、潜在风险和组件解释。
• MCTS 职责：
  • 根据 reward 和 UCT 决定下一轮扩展方向。
  • 控制搜索树形状，避免过早收敛。
• reward 计算公式：
  $$
  mcts_reward = 0.40 \cdot effectiveness + 0.30 \cdot stability + 0.02 \cdot coverage + 0.10 \cdot turnover + 0.10 \cdot diversity + 0.08 \cdot overfit
  $$
• UCT 计算公式：
  $$
  UCT = best_reward + exploration \cdot \sqrt{\frac{\ln(parent_visits + 1)}{visits}}
  $$

4. 算子体系与字段

• 字段：open、high、low、close、vwap、volume、amount。
• 算子类型：
  • 时序引用与变化。
  • 滚动统计。
  • 回归与相关。
  • 算术、比较与条件。
  • 波动与成交加权。
  • 分域与稳健化。
• LLM 生成候选的逻辑约束：确保候选公式符合金融逻辑和代码语法。

5. 案例分析：vstd20

• 原始公式：Std($volume, %d)/($volume+1e-12)。
• 优化方向：
  • 分母稳健化（vstd2mean）。
  • 价量相关交互（vol_cv×PVCorr）。
  • 成交额变异系数（amount_cv）。
  • 分组标准化（domain_zscore_vstd）。
  • 隔夜跳空（vstd/overnight_gap）。
• vstd2mean 的表现：
  • absRankIC = 0.0437。
  • absRankIR = 0.5879。
  • reward = 0.5610。
  • 成为第一层扩展的主分支。
• vol_cv×PVCorr 的表现：
  • absRankIC = 0.0489。
  • absRankIR = 0.5748。
  • reward = 0.5217。
  • 虽然 IC/IR 略弱，但因多样性高，reward 较高。

6. 风险提示

• 模型失效风险：历史表现不代表未来收益，市场结构变化可能导致因子失效。
• 过拟合风险：因子可能在样本内表现优异，但样本外泛化能力不足。
• 数据质量风险：数据缺失、异常、复权处理差异可能影响研究结论。
• LLM 生成风险：生成的因子可能存在逻辑偏差或实现错误，需独立验证。
• 交易成本与流动性风险：回测结果可能无法反映实盘环境，实际表现可能低于预期。

结构清晰

• 研究对象：29 个日频价量因子。
• 搜索深度：主批次 3 层，少数补充实验扩展至 4 层。
• 迭代次数：主批次 10 次，少数补充实验提高至 16 或 24 次。
• 搜索策略：结合 reward 和 UCT，兼顾有效性、稳定性、多样性与过拟合惩罚。

总结

LLM-MCTS 框架通过将 LLM 的语义生成能力与 MCTS 的搜索控制能力相结合，实现了因子挖掘的闭环迭代。该方法在日频、低频及高频因子挖掘中均展现出良好的效果，提升了因子的可解释性和多样性，同时避免了传统方法在效率和泛化能力上的局限。然而，模型的失效、过拟合、数据质量及交易成本等风险仍需警惕，实际应用前需对生成因子进行独立验证和评估。